面向在线哈希的快速类级更新方法

在线图像哈希近期受到越来越多的研究关注，其以流式方式处理大规模数据并即时更新哈希函数。为此，多数现有工作在有监督设定下利用该问题，即使用类标签提升哈希性能，这在自适应性与效率上均存在缺陷：首先，需大量训练批次以学习最新哈希函数，导致在线自适应差；其次，训练耗时，与在线学习的核心需求相悖。本文提出一种新颖的有监督在线哈希方案，称为面向在线哈希的快速类级更新（FCOH），通过引入新颖高效的内积操作解决上述两挑战。为实现快速在线自适应，开发了一种类级更新方法，将二值码学习分解并交替以类级方式刷新哈希函数，从而很好地缓解了大规模训练批次的负担。定量上，此种分解进一步带来至少 75% 的存储节省。为进一步实现在线效率，我们提出半松弛优化，通过独立处理不同二值约束加速在线训练。无需额外约束与变量，时间复杂度显著降低。该方案在定量上亦显示能在更新哈希函数时良好保留历史信息。我们定量证明，类级更新与半松弛优化的协同努力提供了优于多种最先进方法的性能，并经三个常用数据集的广泛实验验证。